| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于内容的图像检索国外研究现状 | 第10-11页 |
| 1.2.2 基于内容的图像检索国内研究现状 | 第11页 |
| 1.2.3 分布式文件存储和分布式计算的发展 | 第11-12页 |
| 1.3 论文研究内容及组织结构 | 第12-15页 |
| 第二章 基于内容的图像检索关键技术 | 第15-25页 |
| 2.1 颜色空间模型和颜色量化 | 第15-16页 |
| 2.1.1 颜色空间模型 | 第15-16页 |
| 2.1.2 颜色量化 | 第16页 |
| 2.2 图像特征描述方法 | 第16-21页 |
| 2.2.1 颜色特征 | 第16-18页 |
| 2.2.2 形状特征 | 第18页 |
| 2.2.3 纹理特征 | 第18-21页 |
| 2.3 相似性度量 | 第21-22页 |
| 2.4 检测性能的评价标准 | 第22-23页 |
| 2.4.1 查全率和查准率 | 第22页 |
| 2.4.2 平均查准率和平均查全率 | 第22页 |
| 2.4.3 平均归一化调整的检索秩 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 Hadoop分布式文件存储和分布式计算关键技术 | 第25-33页 |
| 3.1 分布式文件存储HDFS | 第25-28页 |
| 3.1.1 HDFS基本框架 | 第25-27页 |
| 3.1.2 分布式文件读操作 | 第27页 |
| 3.1.3 分布式文件写操作 | 第27-28页 |
| 3.2 分布式计算MapReduce | 第28-31页 |
| 3.2.1 MapReduce基本框架 | 第28-30页 |
| 3.2.2 MapReduce基本流程 | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 一种基于颜色和SIFT特征的聚类的图像检索方法 | 第33-45页 |
| 4.1 颜色自相关图 | 第33-34页 |
| 4.1.1 颜色自相关图 | 第33页 |
| 4.1.2 相似性度量 | 第33-34页 |
| 4.2 SIFT纹理特征 | 第34-38页 |
| 4.2.1 SIFT特征提取 | 第34-37页 |
| 4.2.2 特征匹配和相似性度量 | 第37-38页 |
| 4.3 DBSCAN聚类算法 | 第38-41页 |
| 4.3.1 聚类过程 | 第38-39页 |
| 4.3.2 DBSCAN聚类算法实验 | 第39-41页 |
| 4.4 综合特征的图像检索实验 | 第41-43页 |
| 4.4.1 实验数据 | 第41页 |
| 4.4.2 实验结果与分析 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 一种基于颜色和SIFT特征的聚类算法的分布式实现与测试 | 第45-55页 |
| 5.1 基于Hadoop的基于颜色和纹理特征的聚类算法 | 第45-49页 |
| 5.1.1 OpenCV Java API | 第45页 |
| 5.1.2 基于MapReduce的特征提取 | 第45-47页 |
| 5.1.3 基于MapReduce的特征聚类 | 第47-48页 |
| 5.1.4 基于MapReduce的图像检索 | 第48-49页 |
| 5.1.5 分布式评价指标 | 第49页 |
| 5.2 综合特征的聚类算法的分布式实验 | 第49-53页 |
| 5.2.1 Hadoop平台搭建 | 第49-51页 |
| 5.2.2 实验数据 | 第51页 |
| 5.2.3 实验结果与分析 | 第51-53页 |
| 5.3 系统特点 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文成果总结 | 第55页 |
| 6.2 研究展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-62页 |
